趣闻生成器搭建

Elasticsearch 9.x 本地部署实操手册：趣闻生成器搭建

【梗科普】Chuck Norris 是美国知名硬汉动作演员，国外互联网有大量关于他的夸张无厘头幽默趣闻（类似"Chuck Norris 能让圆规画出正方形"），本教程就是用电影剧情为素材，让AI生成这种风格的内容，也可以随时改成任何你想要的生成风格。

---

一、懂核心逻辑

整个项目本质是用ES自带的能力，一行查询搞定「搜数据→拼提示词→AI生成」全流程，不用写复杂的Python/Java代码，全程在Elasticsearch里完成。

4个核心组件的作用，一句话讲透：

组件	通俗作用	核心价值
Elasticsearch 9.3+	本地「电影数据库+搜索引擎」，存电影信息，秒级找到你想要的电影剧情	不用单独搭数据库，自带全文检索，找数据又快又准
ES	QL	ES自带的「流水线式查询语言」，像搭积木一样串起所有步骤
COMPLETION命令	ES	QL里专门对接大模型的「AI一键调用开关」
Ollama+本地开源大模型	在你电脑上跑的免费AI，不用连外网、不用花钱	数据全在本地，安全可控，适配内网/离线环境，彻底替代OpenAI

---

二、前置准备

硬件要求

• 系统：Windows/Mac/Linux 全支持

• 内存：最低8G（推荐16G及以上，同时跑ES+大模型更流畅）

• 硬盘：至少20G空闲空间

必须安装的软件

软件	版本要求	安装方式
Elasticsearch	必须9.3.0及以上（COMPLETION命令是9.3新增的功能）	官网下载对应系统安装包，一键安装
Kibana	必须和Elasticsearch版本完全一致	官网下载对应系统安装包，一键安装
Ollama	1.30.0及以上（原生支持OpenAI兼容接口，不用写代理代码）	官网ollama.com一键安装

---

三、第一步：环境搭建（一步一验证，确保全流程不卡壳）

3.1 先搞定本地大模型（最简单，先把AI跑通）

操作步骤

1. 安装完Ollama后，打开电脑的终端（Windows用CMD/PowerShell，Mac/Linux用终端）

2. 执行命令拉取开源大模型（推荐2个，新手选第一个）：

   # 推荐：通义千问2 7B，中文效果好，占用内存低，16G内存轻松跑
   ollama pull qwen2:7b-instruct
   # 备选：Llama3 8B，英文效果好，通用型强
   ollama pull llama3

3. 验证模型是否可用：终端执行ollama run qwen2:7b-instruct，输入你好，能正常回复说明模型跑通了，输入/exit退出。

原理说明

Ollama帮你搞定了大模型的环境配置、量化优化，一键就能跑开源大模型，而且自带和OpenAI完全兼容的API接口，ES可以直接对接，不用写任何额外的代理代码。

---

3.2 配置并启动Elasticsearch

操作步骤

1. 找到ES的配置文件：

   • Windows：安装目录下的config/elasticsearch.yml

   • Mac/Linux：安装目录下的config/elasticsearch.yml

2. 把下面的配置直接复制粘贴到文件里，覆盖原有内容（本地测试专用，生产环境需调整安全配置）：

   # 核心必开配置：开启ES|QL和推理服务，否则用不了AI功能
   xpack.esql.enabled: true
   xpack.inference.enabled: true
   
   # 本地测试关闭安全验证，新手不用管账号密码，生产环境必须开启
   xpack.security.enabled: false
   xpack.security.enrollment.enabled: false
   xpack.security.http.ssl.enabled: false
   xpack.security.transport.ssl.enabled: false
   
   # 绑定本地地址，端口固定9200
   network.host: 0.0.0.0
   http.port: 9200
   
   # 允许自动创建索引，导数据不用手动建表
   action.auto_create_index: true

3. 启动ES：

   • Windows：双击安装目录下的bin/elasticsearch.bat

   • Mac/Linux：终端执行安装目录/bin/elasticsearch

4. 验证ES是否启动成功：打开浏览器，访问http://localhost:9200，能看到一串带ES版本号的JSON内容，说明启动成功。

关键原理说明

• xpack.esql.enabled：开启ES|QL查询语言，不开启就用不了管道式查询

• xpack.inference.enabled：开启ES的推理服务，不开启就对接不了大模型

• 本地测试关闭安全配置，是为了避免新手被账号密码、SSL证书卡住，生产环境必须开启安全验证。

---

3.3 配置并启动Kibana（可视化操作，新手友好）

操作步骤

1. 找到Kibana的配置文件：config/kibana.yml

2. 把下面的配置直接复制粘贴进去，覆盖原有内容：

   # 对接本地启动的ES，地址和上面ES的配置完全对应
   elasticsearch.hosts: ["http://localhost:9200"]
   # 绑定本地地址，端口固定5601
   server.host: 0.0.0.0
   server.port: 5601

3. 启动Kibana：

   • Windows：双击安装目录下的bin/kibana.bat

   • Mac/Linux：终端执行安装目录/bin/kibana

4. 验证Kibana是否启动成功：打开浏览器，访问http://localhost:5601，能正常打开Kibana界面，说明对接成功。

核心用途

后面所有的查询、数据导入、调试，都在Kibana的「开发工具（Dev Tools）」里完成，不用记命令行，点点点就能操作。

---

四、第二步：导入电影测试数据

原教程只提了Kaggle数据集，这里给你2种方案，新手选第一种，不用下载任何文件，直接复制运行。

方案1：零门槛快速导入（推荐新手，10秒搞定）

直接打开Kibana → 左侧菜单找到「开发工具（Dev Tools）」→ 进入控制台，把下面的代码粘贴进去，点击右上角的运行按钮，就能自动创建movies索引，导入4条测试电影数据。

POST _bulk
{"index": {"_index": "movies"}}
{"title": "第一滴血3", "overview": "战争让兰博身心俱疲，他终于在修道院找到了内心的平静。当好友兼导师特劳特曼上校请求他协助阿富汗的绝密任务时，兰博拒绝了，但当特劳特曼被俘后，他不得不重新考虑。"}
{"index": {"_index": "movies"}}
{"title": "泰坦尼克号", "overview": "富家少女罗丝与穷困画家杰克在豪华游轮泰坦尼克号上相遇相爱，然而游轮撞上冰山沉没，杰克把生存的机会让给了罗丝，自己葬身海底。"}
{"index": {"_index": "movies"}}
{"title": "肖申克的救赎", "overview": "青年银行家安迪被误判谋杀妻子及其情人，被判终身监禁，他在肖申克监狱里用二十年时间，靠一把小锤子挖通隧道，成功越狱，重获自由。"}
{"index": {"_index": "movies"}}
{"title": "复仇者联盟4：终局之战", "overview": "灭霸打了响指消灭了宇宙一半的生命后，复仇者们穿越时空收集无限宝石，逆转了灭霸的恶行，最终钢铁侠牺牲自己，打响响指消灭了灭霸大军。"}

验证是否导入成功

在控制台运行下面的代码，能返回刚才导入的4条数据，说明导入成功：

GET movies/_search
{
  "query": {"match_all": {}}
}

方案2：导入完整电影数据集（适合想批量测试的用户）

1. 下载TMDB 5000部电影数据集：点击下载（国内可访问，不用注册）

2. 打开Kibana → 「机器学习（Machine Learning）」→ 「数据可视化工具（Data Visualizer）」→ 「上传文件（Upload file）」

3. 选择下载好的CSV文件，等待解析完成，点击「导入（Import）」

4. 索引名称填movies，点击「导入」，等待完成即可。

---

五、第三步：创建ES本地大模型推理端点（核心对接步骤，直接复制运行）

这一步是让ES能找到你本地跑的大模型，相当于给ES存一个「AI调用地址簿」，创建一次，永久使用。

操作步骤

还是在Kibana的开发工具控制台，粘贴下面的代码，点击运行：

PUT _inference/completion/my-local-ollama
{
  "service": "openai",
  "service_settings": {
    "api_key": "ollama",  // 随便填，Ollama不需要API密钥
    "model_id": "qwen2:7b-instruct",  // 这里必须和你用ollama pull拉的模型名完全一致
    "url": "http://localhost:11434/v1"  // Ollama的本地API地址
  }
}

【踩坑提示】如果你的ES是用Docker安装的，把上面的url改成http://host.docker.internal:11434/v1（Windows/Mac），Linux改成http://172.17.0.1:11434/v1，否则Docker里的ES访问不到宿主机的Ollama。

验证是否创建成功

运行下面的代码，能返回你刚才创建的端点配置，没有报错，说明对接成功：

GET _inference/completion/my-local-ollama

原理说明

• _inference是ES的推理端点API，专门用来管理各种AI模型的对接配置

• 这里用openai服务类型，是因为Ollama的API完全兼容OpenAI的格式，不用额外开发，ES直接就能用

• 后面的ES|QL查询里，直接用这个端点的名字my-local-ollama，就能调用本地大模型

---

六、第四步：核心ES|QL查询实操（完整可复制+逐行原理解释）

6.1 完整可直接运行的查询代码

还是在Kibana开发工具控制台，粘贴下面的代码，点击运行，就能直接生成结果！

POST _query
{
  "query": """
      // 第1步：指定数据来源，同时拿到检索相关性评分
      FROM movies METADATA _score
      // 第2步：全文检索，找到标题或剧情匹配你搜索内容的电影
      | WHERE MATCH(title, ?query) OR MATCH(overview, ?query)
      // 第3步：按匹配度从高到低排序，最准的排最前面
      | SORT _score DESC
      // 第4步：只取最匹配的1条，给AI最精准的素材
      | LIMIT 1
      // 第5步：拼接给AI的完整提示词
      | EVAL prompt = CONCAT(?instruction, overview)
      // 第6步：调用本地大模型，生成趣闻内容
      | COMPLETION chuck_norris_fact = prompt WITH { "inference_id": "my-local-ollama" }
      // 第7步：只保留需要的字段，让结果干净整洁
      | KEEP title, overview, chuck_norris_fact
  """,
  "params": [
    { "instruction": "根据以下电影描述，生成一条幽默夸张的Chuck Norris趣闻：\n" },
    { "query": "第一滴血3" }
  ]
}

6.2 逐行拆解：

代码行	做了什么？	核心原理	你可以改什么？
FROM movies METADATA _score	从movies索引（相当于数据库的表）里取数据，同时把ES的「相关性评分」带出来	ES全文检索会给每个匹配的结果打分，分数越高越匹配，ES	QL默认不返回这个分数，必须用METADATA _score显式声明，后面才能用它排序
`	WHERE MATCH(title, ?query) OR MATCH(overview, ?query)`	筛选出「标题」或「剧情」里，包含你搜索关键词的电影	MATCH()是ES的全文检索函数，比普通的LIKE模糊匹配强100倍：它会自动分词，比如你搜"第一滴血"，哪怕标题是"第一滴血3"也能匹配到；?query是参数占位符，对应下面params里的内容，不用改查询逻辑，就能换搜索内容
`	SORT _score DESC`	把匹配到的结果，按相关性从高到低排序	确保最匹配你搜索内容的电影排在最前面，后面取第一条的时候，拿到的就是最准的素材
`	LIMIT 1`	只取排序后的第1条结果，也就是最匹配的那部电影	大模型的提示词不是越长越好，只给最精准的1条素材，AI生成的内容更贴合，不会混乱，同时减少计算量，速度更快
`	EVAL prompt = CONCAT(?instruction, overview)`	创建一个叫prompt的新字段，把「AI生成指令」和「电影剧情」拼接成完整的提示词	EVAL是ES
`	COMPLETION chuck_norris_fact = prompt WITH { "inference_id": "my-local-ollama" }`	核心AI生成步骤：把拼好的提示词发给本地大模型，生成的内容存到chuck_norris_fact字段里	COMPLETION是ES 9.3+新增的ES
`	KEEP title, overview, chuck_norris_fact`	只保留「电影名」「电影剧情」「AI生成内容」3个字段，去掉没用的内容	ES默认会返回索引里的所有字段，用KEEP只留需要的，结果更干净，也减少数据传输量

6.3 参数修改说明（一键换效果）

下面的params是整个查询的「自定义开关」，不用动上面的查询逻辑，只改这里就能换效果：

• instruction：给AI的生成指令，想换风格直接改这里，比如：

  • 生成古诗："根据以下电影剧情，写一首七言绝句：\n"

  • 生成抖音文案："根据以下电影剧情，写一条30字以内的抖音爆款推广文案：\n"

  • 生成职场段子："根据以下电影剧情，生成一条职场摸鱼段子：\n"

• query：你要搜的电影名，比如改成"泰坦尼克号"、"肖申克的救赎"，就能生成对应内容。

---

七、结果解读+示例展示

正常返回结果示例

{
  "took": 2350, // 整个查询+AI生成的总耗时，单位毫秒
  "is_partial": false, // 是否是部分结果，false就是完整结果
  "documents_found": 1, // 找到的匹配电影数量
  "values_loaded": 2, // 加载的字段数量
  "columns": [ // 返回的字段名和类型
    { "name": "title", "type": "text" },
    { "name": "overview", "type": "text" },
    { "name": "chuck_norris_fact", "type": "keyword" }
  ],
  "values": [ // 最终结果
    "第一滴血3",
    "战争让兰博身心俱疲，他终于在修道院找到了内心的平静。当好友兼导师特劳特曼上校请求他协助阿富汗的绝密任务时，兰博拒绝了，但当特劳特曼被俘后，他不得不重新考虑。",
    "Chuck Norris曾去修道院寻找内心平静，五分钟就离开了，因为僧侣们根本承受不住他的觉悟等级。当Chuck听说兰博在阿富汗需要帮助时，他在兰博系完头巾之前，就救出了特劳特曼、打赢了战争，还训练了一只山羊开直升机。"
  ]
}

---

八、踩坑排查指南

报错/问题现象	核心原因	一步一步解决方法
报错：inference endpoint [my-local-ollama] not found	① 端点名字写错；② 端点没创建成功；③ ES版本低于9.3.0	1. 运行GET _inference，确认有这个端点，名字完全一致；2. 运行GET /，确认ES版本≥9.3.0；3. 重新运行创建端点的代码，看有没有报错
报错：连接Ollama失败，connection refused	① Ollama没启动；② ES是Docker装的，用localhost访问不到宿主机；③ 端口被占用	1. 浏览器访问http://localhost:11434，能打开说明Ollama启动了；2. Docker装的ES，把url改成http://host.docker.internal:11434/v1；3. 确认Ollama端口是11434，没有被其他软件占用
ES	QL报错：[COMPLETION] 命令不支持	① ES版本低于9.3.0；② ES
查询能运行，但AI生成的内容是空的	① Ollama里没有你写的模型；② 模型没启动；③ 提示词格式有问题	1. 运行ollama list，确认有你写的模型名，没有就重新pull；2. 运行ollama run 模型名，测试模型能不能正常回复；3. 把instruction改成最简单的"用一句话总结下面的内容：\n"，重新测试
检索不到想要的电影	① 索引名写错；② 数据没导入成功；③ 检索字段不对	1. 运行GET movies/_search，确认数据已经导入；2. 检查MATCH()里的字段名，和索引里的字段名完全一致

---

九、进阶优化玩法

1. 本地模型轻量化优化 ：如果你的电脑内存只有8G，换成ollama pull gemma2:2b，20亿参数的小模型，速度更快，占用内存极低，日常生成完全够用。

2. 批量生成内容 ：把LIMIT 1改成LIMIT 10，一次给10部电影生成内容，不用循环调用，ES自动批量处理。

3. 检索精度优化 ：给movies索引设置专门的中文分词器（IK分词器），中文检索更精准，不会出现搜"复仇者联盟"匹配不到的情况。

4. RAG进阶增强：给电影剧情生成向量嵌入，用「全文检索+向量检索」混合模式，找到更贴合语义的素材，生成效果更好。